针对极化SAR图像训练样本数目较少问题以及极化SAR图像同质区域较多的特性,提出了一种新的两层分类框架,结合了稀疏自编码器和边缘保持的Wishart马尔科夫随机场对极化SAR图像进行分类.该框架包括个步骤,第一个步骤使用稀疏自编码器来获得一个初始分类；第二个步骤使用边缘保持的Wishart马尔科夫随机场对第一层的分类结果进行修正.在应用Wishart马尔科夫随机场的过程中,由稀疏自编码器分类得到的边缘得以保持,并且提出了新的分类错误纠正策略确保分类的准确性.因此,通过稀疏自编码器得到的精确分类边缘可用于不同的区域并且在应用Wishart马尔科夫的过程中得以保持.和其他分类方法相比,该方法得到较高的分类精度,证明了新方法的有效性.

针对传统的基于变换域隐马尔可夫树(Hidden Markov Tree, HMT)模型的SAR图像分割方法不能得到较满意的区域一致性结果和较准确的分割边缘的问题, 提出了一种基于第二代Bandelet域HMT-3S模型的SAR图像分割方法(BHMT-3Sseg).HMT-3S模型是一种融合了子带间相关性的HMT模型, 在描述图像纹理特征时, 更具合理性.BHMT-3Sseg方法采用HMT-3S模型对图像的第二代Bandelet系数建模, 通过HMT-3S模型参数的训练、各尺度似然值的计算和基于邻域背景的多尺度融合, 实现对SAR图像的分割, 既能得到较为准确和连续的边缘, 也增强了分割结果的区域一致性.实验表明, 本文方法BHMT-3Sseg对SAR图像分割是可行有效的.

结合SAR图像空域的先验知识和小波域系数的特性，提出了一种新的SAR图像相干斑抑制算法.使用最近 提出的局部多项式近似-置信区间交叉(local polynomial approximation-intersection of confidence intervals(LPA-ICI)) 构造自适应窗，寻找到与SAR图像中每个像素点相对应的同质区域，在每个同质区域内利用本文给出的快速形状 自适应小波变换进行硬阈值收缩抑斑，最后根据本文提出的稀疏加权方法融合多个估计样本获得最终抑斑图像. 实验结果表明本文提出的算法有着很好的抑斑性能，尤其是在去除重构图像中的“振铃”效应以及有效保留原始 SAR图像中的点目标方面性能更突出.

改进了传统的基于小波域隐马尔科夫树模型的图像分割方法.由于传统方法均为直接选择小波子带系数作 为训练特征, 不能直接得到像素级分割结果;同时传统方法在后融合方面对所有尺度均采用同一种上下文背景, 而 忽略不同尺度上初分割类标志图的特点.因此, 本文在粗分割阶段首先处理了训练时参数设置的问题, 并选取了更 能表征纹理的特征, 能直接得到像素级分割结果;在多尺度融合阶段, 充分利用不同尺度上类标志图的特性, 不仅 考虑粗尺度信息对融合结果的影响也考虑了细尺度信息对结果的影响.实验表明本文算法的视觉效果好于与本文 进行比较的Choi提出的HMTseg以及孙强提出的WD-HMTseg遥感图像分割算法.

针对SAR图像边缘检测中, 传统算法很难同时兼顾噪声抑制和对边缘完整准确定位的缺点, 利用多尺度 Wedgelet变换能够有效检测线目标的特点, 提出了一种新的Wedgelet变换的代价函数, 增强了其抑噪能力, 同时选 择了适当的分解尺度, 在没有降低逼近图像质量的情况下提高了变换速度.基于此变换, 对SAR图像进行自适应的 边缘检测.实验结果表明该方法有效克服了斑点噪声的影响, 对SAR图像的边缘检测是可行、有效的.

根据图像边缘检测的思路,在研究SAR图像特性的基础上,提出了一种高分辨SAR图像中港口目标的自动分割算法,并将小波分析成功地应用在预滤波和去噪以及真伪目标识别上,取得了良好的检测效果.